Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks

Detalhes bibliográficos
Autor(a) principal: Almeida, Cristiana Costa de
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Texto Completo: http://hdl.handle.net/10451/44246
Resumo: Tese de mestrado, Matemática Financeira, Universidade de Lisboa, Faculdade de Ciências, 2019
id RCAP_41a3289b4bd3bbf49b4f6333576f392d
oai_identifier_str oai:repositorio.ulisboa.pt:10451/44246
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural NetworksSérie temporal financeiraMercados financeirosStandard & Poor’s 500Machine LearningDeep LearningLong Short-Term MemoryModelos Autorregressivos de Médias MóveisPrevisãoTeses de mestrado - 2019Departamento de MatemáticaTese de mestrado, Matemática Financeira, Universidade de Lisboa, Faculdade de Ciências, 2019O intuito desta dissertação é identificar o método que proporciona resultados mais fidedignos na previsão de séries temporais financeiras, de entre os modelos tradicionais e as novas metodologias de Machine Learning. A fim de alcançar esse objetivo, foi considerada uma base de dados com 4842 valores diários do fecho do índice bolsista Standard & Poor’s 500 (SP500), no intervalo temporal compreendido entre 3 de janeiro de 2000 e 1 de abril de 2019, excluindo os fins- de-semana e feriados. Primeiramente, os dados foram trabalhados no programa Eviews, de forma a obter o modelo econométrico ARIMA mais adequado e através da metodologia de Box-Jenkins procedeu-se para a previsão da série financeira em estudo. Contudo, para obtenção de melhores resultados, a série foi reduzida, iniciando no dia 2 de março de 2009, devido à crise financeira de 2007-2008. Para comparação de modelos, foi realizada a previsão dos dados da bolsa SP500, através de um modelo Deep Neural Network – Long Short-Term Memory (código programado em Python). Conclui-se que os melhores resultados de previsão foram obtidos com os modelos de redes neuronais, tanto para curto como para longo-prazo.The aim of this dissertation is to identify the method that provides the most reliable results in forecasting financial time series, between the traditional models and the new Machine Learning methodologies. In order to achieve this objective, were considered 4842 daily closing values of the Standard & Poor’s 500 (SP500) stock index, since January 3, 2000 until April 1, 2019, excluding weekends and holidays. First, we use Eviews software, in order to obtain the right ARIMA econometric model, and by using the Box-Jenkins methodology, we forecast the SP500 financial time series. However, for best results, the series was split, starting on March 2, 2009, due to the 2007-2008 financial crisis. For model comparison, was realized the prediction of the SP500 stock index data, using a Deep Neural Network - Long Short-Term Memory model (code programmed in Python). It is concluded that the best results were obtained with neural network models, for both short and long term forecast.Mendes, Diana E. AldeaRepositório da Universidade de LisboaAlmeida, Cristiana Costa de2020-08-25T13:36:23Z201920192019-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/44246TID:202398641porinfo:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-03-17T14:22:30Zoai:repositorio.ulisboa.pt:10451/44246Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T03:09:59.366605Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
title Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
spellingShingle Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
Almeida, Cristiana Costa de
Série temporal financeira
Mercados financeiros
Standard & Poor’s 500
Machine Learning
Deep Learning
Long Short-Term Memory
Modelos Autorregressivos de Médias Móveis
Previsão
Teses de mestrado - 2019
Departamento de Matemática
title_short Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
title_full Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
title_fullStr Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
title_full_unstemmed Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
title_sort Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
author Almeida, Cristiana Costa de
author_facet Almeida, Cristiana Costa de
author_role author
dc.contributor.none.fl_str_mv Mendes, Diana E. Aldea
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Almeida, Cristiana Costa de
dc.subject.por.fl_str_mv Série temporal financeira
Mercados financeiros
Standard & Poor’s 500
Machine Learning
Deep Learning
Long Short-Term Memory
Modelos Autorregressivos de Médias Móveis
Previsão
Teses de mestrado - 2019
Departamento de Matemática
topic Série temporal financeira
Mercados financeiros
Standard & Poor’s 500
Machine Learning
Deep Learning
Long Short-Term Memory
Modelos Autorregressivos de Médias Móveis
Previsão
Teses de mestrado - 2019
Departamento de Matemática
description Tese de mestrado, Matemática Financeira, Universidade de Lisboa, Faculdade de Ciências, 2019
publishDate 2019
dc.date.none.fl_str_mv 2019
2019
2019-01-01T00:00:00Z
2020-08-25T13:36:23Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10451/44246
TID:202398641
url http://hdl.handle.net/10451/44246
identifier_str_mv TID:202398641
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833601617693245440

Registros relacionados